通过向量量化元学习实现可迁移序列推荐
信息检索
2024-11-05 v1 人工智能
摘要
尽管序列推荐在捕捉用户-项目转换模式方面取得了显著进展，但由于跨领域用户和项目组的不连续性，迁移此类大规模推荐系统仍然具有挑战性。本文提出了一种用于可迁移序列推荐的向量量化元学习方法（MetaRec）。无需额外的模态或跨领域共享信息，我们的方法利用多个源领域的用户-项目交互来提升目标领域性能。为解决输入异构性问题，我们采用向量量化将来自异构输入空间的项目嵌入映射到共享特征空间。此外，我们的元迁移范式利用有限的目标数据来指导源领域知识向目标领域的迁移（即学会迁移）。此外，MetaRec 通过根据源-目标领域相似度重新缩放元梯度，自适应地从多个源任务进行迁移，从而实现选择性学习以提升推荐性能。为验证我们方法的有效性，我们在基准数据集上进行了广泛实验，MetaRec 一致地以显著优势超越了基线方法。
引用
@article{arxiv.2411.01785,
title = {Transferable Sequential Recommendation via Vector Quantized Meta Learning},
author = {Zhenrui Yue and Huimin Zeng and Yang Zhang and Julian McAuley and Dong Wang},
journal= {arXiv preprint arXiv:2411.01785},
year = {2024}
}
备注
Accepted to BigData 2024